自动驾驶之激光雷达

这里写目录标题

  • 1 什么是激光雷达
  • 2 激光雷达的关键参数
  • 3 激光雷达种类
  • 4 自动驾驶感知传感器
  • 5 激光雷达感知框架
    • 5.1 pointcloud_preprocess
    • 5.2 pointcloud_map_based_roi
    • 5.3 pointcloud_ground_detection
    • 5.4 lidar_detection
    • 5.5 lidar_detection_filter
    • 5.6 lidar_tracking

1 什么是激光雷达

  • 激光雷达LiDAR的全称为Light Detection and Ranging 激光探测和测距。
  • 激光雷达的工作原理：对红外光束Light Pluses发射、反射和接收来探测物体。白天或黑夜下的物体与车之间的距离。甚至由于反射度的不同，车道线和路面也可以区分。光束无法探测到被遮挡的物体

2 激光雷达的关键参数

  • 点频：每帧水平方向平均点数x垂直方向平均点数x帧率=（水平视场角/水平角分辨率）×（垂直视场角/垂直角分辨率）
  • 扫描频率：10Hz就代表每秒扫描10次(转10圈)
  • 视角（Field of View, FOV）:FOV包括垂直视场角（VFOV）、水平视场角（HFOV）、对角线视场角(DFOV)；通常，在没有特殊说明时，我们默认的FOV一般都是水平视场角

在这里插入图片描述在这里插入图片描述

  • 角分辨率：指的是相邻两个激光扫描点之间的角度间隔，一般以度（°）为单位。由于目前激光雷达有很多种扫描方式，每种方式在扫描点分布上的差异，导致扫描点并不绝对均匀，因此这里讲的激光雷达角分辨率是一个等效平均的概念。直观理解，角分辨率越小，单位空间角内分布的激光点数就越多，其对于物体的分辨能力就会越强。相同角分辨率下，对同一物体，距离越远探测到的激光点数越少，如图所示。
    在这里插入图片描述

因为每100ms(10Hz)转360度, 水平角分辨率为0.2°, 转一圈就产生360/0.2=1800个点, 如果每50ms(20Hz) 转一圈, 就转一圈就产生360/0.4=900个点, 通常自动驾驶领域为了点更密集, 常采取10Hz.（一节课上老师讲的，有点疑惑，一圈点更密为什么更好？不都是看时间的吗？）

  • 线数: 对于机械激光雷达来说, 一般多少线就需要多少个激光器。
  • 反射率: 激光雷达返回值除了三维点坐标 (x, y, z)之外, 还有反射率和距离, 入射角度, 与物体表面反射率
  • 波长: 常见的激光雷达波长为 905nm, 1550nm两种, 1550nm 距离可见光波段更远, 所以对人眼更安全, 波长更长穿透度更好,更有利于在雨雾天气使用, （由于成本较高, 还未成为主流）。
  • 探测距离：一般要求200米，以达到最远刹车距离的要求
  • 回波模式: 单回波和多回波, 激光雷达发出的激光点是有一定面积的, 有时可能会出现1个激光点发出后, 打在2个物体上(如同一束激光打在两片树叶上), 此时可以选择是接受最后一次回波的值还是反射强度最强的回波的值。

以禾赛128为例

1、10%反射率下最远探测距离200米
2、视场角：120°x25.4°
3、角分辨率：0.1°（H）X0.2°（V)
4、功耗：18W
5、尺寸：137mmX112mmX47mm
在这里插入图片描述在这里插入图片描述

3 激光雷达种类

  1. 传统机械扫描; AT128，有机械结构，体积比较大。
  • 使用机械部件旋转来改变发射角度，水平360度扫描
  • EE了激光器堆叠工艺复杂，体积过大，垂直线数受限，难以通过
  1. MEMS(Micro‐Electro‐Mechanical System) 半固态激光雷达
      MEMS在硅基芯片上集成了体积十分精巧的微振镜，其核心结构是尺寸很小的悬臂梁——通过控制微小的镜面平动和扭转往复运动，将激光管反射到不同的角度完成扫描，而激光发生器本身固定不动。
    在这里插入图片描述
  • 优点：运动部件减少，体积小，成本相对较低。
  • 缺点：MEMS可转角受限，限制扫描视野，存在成像拼接的问题
  1. FLASH 泛光面阵式, 纯固态激光雷达,
      FLASH工作原理类似于摄像头, 只不过摄像头是被动接受光信息, 而FLASH是主动发射面激光并接受反射激光， Flash激光雷达的成像原理是发射大面积激光一次照亮整个场景，然后使用多个传感器接收检测和反射光。但最大的问题是这种工作模式需
    要非常高的激光功率。而在体积限制下，Flash激光雷达的功率密度不能很高。因此Flash激光雷达由于功率密度的限制，无法考虑三个参数：视场角、检测距离和分辨率，即如果检测距离较远，则需要牺牲视场角或分辨率；如果需要高分辨率，则需要牺牲视场角或检测距离
  2. OPA(Optical Phased Array) 光学相控阵，全固态激光雷达;
      光学相控阵技术的原理是利用光源相干技术实现光线角度偏转，从而达到扫描测距的目的。OPA激光雷达发射的是光，而光和电磁波一样也表现出波的特性。波与波之间会产生干
    涉现象，通过控制相控阵雷达平面阵列各个阵元的电流相位，利用相位差可以让不同的位置的波源会产生干涉（类似的是两圈水波
    相互叠加后，有的方向会相互抵消，有的会相互增强），从而指向特定的方向，往复控制便得以实现扫描效果。
  • 优点：OPA是纯固态器件，无需要活动的机械结构，
  • 缺点：激光雷达对激光调试、信号处理的运算力要求很高。
  • 前沿性探索阶段

4 自动驾驶感知传感器

下图是传感器感知的视野图，从图中可以看到，传感器的视野比人的视野更加宽广深远且盲区更小，基本能够涵盖车辆360度范围。
感知主要的传感器：Lidar、Radar(长距、短距)、Camera。
在这里插入图片描述视觉传感器一般用于障碍物、车道线、交通灯检测、目标检测和跟踪功能。基本原理是首先获取图像并将图片转化为二维数据，然后通过深度学习方法做目标识别，再根据相机的内外参计算目标物体和主车的相对距离和相对速度。毫米波雷达主要用于目标检测、换道辅助、自适应巡航控制、停车辅助等，激光雷达一般应用于障碍物检测、定位等。
在这里插入图片描述在智能驾驶领域，通常车辆会配置多种感知器，分别执行不同的任务，并进行感知融合。在感知融合中，会对所有目标进一步处理，得到更加准确的目标类别、距离、尺寸、速度等，感知完成红绿灯检测、车道线检测目标融合之后，把感知信息发送给下游模块

在这里插入图片描述

5 激光雷达感知框架

以百度Apollo为例

感知框架中lidar、camera、radar、fusion 四部分内容定义在四个模块中。Lidar 和 camera 每个模块内部功能复杂，学习成
本较高。感知框架拆分后，模块依赖关系清晰。Lidar 和 camera 的感知流程分为多个模块，依赖关系呈线性状态；radar
和 fusion 的功能在单个模块内，功能如框图所示。
在这里插入图片描述

激光雷达检测用于 3D 目标检测，它的输入是激光雷达点云，输出为检测到的物体的类型和坐标。

  • pointcloud_preprocess：点云预处理模块对输出的点云数据进行预处理。 删除超值点、太远的点、扫描到自身车辆上的点、太高的点。
  • pointcloud_map_based_roi：过滤 ROI 之外的点云。 感兴趣区域 (ROI) 指定可行驶区域，包括从高精地图检索到的路面和路口。 HDMap ROI 过滤器处理 ROI 外部的lidar点，去除背景物体，例如道路周围的建筑物和树木。 剩下的就是ROI中的点云以供后续处理。 给定HDMap，每个 LiDAR 点的隶属关系指示它是在 ROI 内部还是外部。
  • pointcloud_ground_detection：点云地面检测，检测地面点，并保存所有非地面点的索引。
  • lidar_detection：基于点云进行3D物体检测，并输出检测到的物体的位置、大小和方向。 Apollo提供了4种激光雷达检测模型：centerpoint、maskpillars、pointpillars、cnnseg。
  • lidar_detection_filter：根据对象属性、车道线、ROI 等过滤前景和背景对象。
  • lidar_tracking：跟踪模块用于跟踪障碍物的运动轨迹，更新障碍物的运动状态和几何形状，并分配跟踪id。
  • multi_sensor_fusion ：多传感器融合模块融合Lidar、Camera、Radar多个传感器的输出结果，使检测结果更加可靠。该模块采用后处理技术，采用的算法是概率融合

5.1 pointcloud_preprocess

点云预处理模块对点云做过滤，删除异常的、感知不需要的点云。

  • 删除空值，超限值点云；
  • 删除过远（超过1000m）的点云；
  • 删除过高的点云；
  • 点云转化到主车自身坐标系，删除扫描到主车身上的点云。
    在这里插入图片描述

5.2 pointcloud_map_based_roi

点云基于地图计算兴趣区域（roi，region of interest），根据高精度地图的road和junction边界判断点云是否在高精度地图内，获得
在高精地图内的点的索引。
下图是基于地图roi过滤的效果图。红色的是roi内的点云，白色的是roi外的点云。
在这里插入图片描述

5.3 pointcloud_ground_detection

地面点检测功能是检测出地面点，获得所有非地面点的索引，即non_ground_indices。
下图是地面点云检测的示例图，红色的点云是非地面点云，白色的是地面点云。分割出地面点云后，去除前景目标点云。然后用
剩余的非地面点云做聚类，检测当前场景下的所有目标，保证自动驾驶的安全性。
在这里插入图片描述

5.4 lidar_detection

检测模型完成目标检测功能，获得目标的如下结果：cx, cy, cz, length, width, height, heading, type
其中，(cx, cy, cz)是中心点，(length, width, height)是长宽高，heading是朝向，type是目标类别。示例如下
除了获取目标，还根据目标的3d bounding box，得到每个目标的所有点云。
在这里插入图片描述

5.5 lidar_detection_filter

完成激光雷达目标检测后，对检测目标做过滤。object_filter_bank可以同时使用多个过滤器，针对roi_boundary_filter做介绍，
roi_boundary_filter只用来处理前景目标（即妨碍车辆行驶的目标）。roi_boundary_filter过滤规则如下图。
在这里插入图片描述

5.6 lidar_tracking

多目标跟踪，获取目标运动的历史轨迹，得到更加稳定的朝向、速度、位置等信息，得到跟踪id。多目标跟踪的结果可进一步用于障碍物轨迹预测。
detections 来自最新检测的结果，tracks 表示历史的匹配结果。Match 是目标匹配算法，最终得到三种匹配结果：

  • unassigned tracks：历史的目标没有和最新的检测结果匹配上，这种情况会更新历史 tracks，并删除过老的 tracks
  • assignment：表示已经匹配上，根据dets和tracks更新tracks。
  • unassignement detections：最新检测的结果没有匹配上，添加到历史tracks中。这时会赋予一个新的track‐id。

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/61601.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

pycharm在使用conda虚拟环境时Terminal爆红问题

pycharm在使用conda虚拟环境时Terminal爆红问题

问题： 解决方法： 复制cmd.exe后面所有路径 添加到pycharm的shell path中：
阅读更多...
《Python浪漫的烟花表白特效》

《Python浪漫的烟花表白特效》

一、背景介绍 烟花象征着浪漫与激情，将它与表白结合在一起，会创造出别具一格的惊喜效果。使用Python的turtle模块，我们可以轻松绘制出动态的烟花特效，再配合文字表白，打造一段专属的浪漫体验。 接下来，让…
阅读更多...
二次封装的天气时间日历选择组件

二次封装的天气时间日历选择组件

这个接口没调通 没有数据展示~ userStore.badgeDate是VUEX全部存的日历数据 <template><!-- 日历组件 --><el-date-pickerref"elPicker":size"size"v-model"dateTimeValue":type"dateType":range-separator"rang…
阅读更多...
当你项目服务器磁盘报警

当你项目服务器磁盘报警

当你们公司运维收到这样的邮件&#xff0c;大概率日志文件过大引起的 在Linux下如何不停止服务,清空nohup.out文件呢&#xff1f; nohup.out会一直一直自己增长下去&#xff0c;如果你的服务器硬盘不给力的话&#xff0c;很容易把应用也挂掉&#xff08;硬盘没空间 &#xff0…
阅读更多...
低速接口项目之串口Uart开发(四)——UART串口实现FPGA内部AXILITE寄存器的读写控制

低速接口项目之串口Uart开发(四)——UART串口实现FPGA内部AXILITE寄存器的读写控制

本节目录 一、设计背景 二、设计思路 三、逻辑设计框架 四、仿真验证 五、上板验证 六、往期文章链接本节内容 一、设计背景 通常&#xff0c;芯片手册或者IP都会提供一系列的用户寄存器以及相关的定义&#xff0c;用于软件开发人员进行控制底层硬件来调试&#xff0c;或封装…
阅读更多...
git branch -d 删除分支

git branch -d 删除分支

Git进行版本控制时&#xff0c;删除分支是常见的操作。特别是当特定的功能开发完成或者分支不再需要时&#xff0c;删除分支可以帮助保持仓库的整洁。删除本地分支和删除远端分支是两个独立的操作。如果需要同时删除本地和远端的分支&#xff0c;需要分别执行以下两个命令。 一…
阅读更多...
Linux环境开启MongoDB的安全认证

Linux环境开启MongoDB的安全认证

文章目录 1. MongoDB安全认证简介1.1 访问控制1.2 角色1.3 权限 2. MongoDB中的常见角色3. MongoDB Shell3.1 下载MongoDB Shell3.2 通过MongoDB Shell连接MongoDB 4. 创建管理员用户5. 为具体的数据库创建用户6. 开启权限认证7. 重启MongoDB服务8. 连接MongoDB9. MongoDB数据库…
阅读更多...
PVE的优化与温度监控（二）—无法识别移动硬盘S.M.A.R.T信息的思考并解决

PVE的优化与温度监控（二）—无法识别移动硬盘S.M.A.R.T信息的思考并解决

前情提要&#xff1a;空闲2.5英寸机械硬盘&#xff0c;直接放到PVE上测试NAS 使用&#xff0c;通过SATA线的方式让小主机不太美观&#xff0c;并且失去了前期调试的安全性。购入移动硬盘盒&#xff0c;缺点&#xff0c;USB 连接&#xff0c;会失去一些特性。比如本文中遇到的问…
阅读更多...
嵌入式硬件实战基础篇(二)-稳定输出3.3V的太阳能电池-无限充放电

嵌入式硬件实战基础篇(二)-稳定输出3.3V的太阳能电池-无限充放电

引言&#xff1a;本内容主要用作于学习巩固嵌入式硬件内容知识&#xff0c;用于想提升下述能力&#xff0c;针对学习稳压芯片和电容以及电池之间的运用&#xff0c;对于硬件PCB以及原理图的练习和前面硬件篇的实际运用&#xff1b;太阳能是一种清洁、可再生的能源&#xff0c;广…
阅读更多...
OpenCV相机标定与3D重建(3)校正鱼眼镜头畸变的函数calibrate()的使用

OpenCV相机标定与3D重建(3)校正鱼眼镜头畸变的函数calibrate()的使用

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 cv::fisheye::calibrate 函数是 OpenCV 中用于校正鱼眼镜头畸变的一个重要函数。该函数通过一系列棋盘格标定板的图像来计算相机的内参矩阵和畸变…
阅读更多...
【过程控制系统】第6章 串级控制系统

【过程控制系统】第6章 串级控制系统

目录 6. l 串级控制系统的概念 6.1.2 串级控制系统的组成 6.l.3 串级控制系统的工作过程 6.2 串级控制系统的分析 6.2.1 增强系统的抗干扰能力 6.2.2 改善对象的动态特性 6.2.3 对负荷变化有一定的自适应能力 6.3 串级控制系统的设计 6.3.1 副回路的选择 2.串级系…
阅读更多...
24/11/22 项目拆解 艺术风格转移

24/11/22 项目拆解 艺术风格转移

我们有时候想把两种艺术风格整合&#xff0c;创造更具艺术特色的艺术品&#xff0c;人很难办到&#xff0c;但是人工智能可以,比如下面将艺术画的风格转移到照片上。 我们先来初步了解一下实现上述功能的数学原理 所谓艺术风格&#xff0c;其实就是边缘&#xff0c;颜色&#…
阅读更多...
Unity图形学之CubeMap立方体贴图

Unity图形学之CubeMap立方体贴图

1.CubeMap&#xff1a;有六个面的贴图组成 2. 假反射&#xff1a;反射天空盒子 &#xff08;1&#xff09;正常UV采样&#xff1a; &#xff08;2&#xff09;Cube的采样&#xff1a;利用反射角采样&#xff0c;反射角X和Cube的交点采样 Shader "Custom/TestReflect"…
阅读更多...
LLM Inference Unveiled

LLM Inference Unveiled

题目&#xff1a;LLM Inference Unveiled: Survey and Roofline Model Insights 链接&#xff1a;https://arxiv.org/abs/2402.16363 这也是一篇推理加速的综述&#xff0c;重点关注一下它的组织结构吧&#xff0c;也就是它对推理加速方法的分类 论文给的全文结构图&#xff…
阅读更多...
Cesium的ClearCommand的流程

Cesium的ClearCommand的流程

ClearCommand是在每帧渲染前可以将显存的一些状态置为初始值&#xff0c;就如同把擦黑板。当然也包括在绘制过程中擦掉部分的数据&#xff0c;就如同画家在开始绘制的时候会画导览线&#xff08;如透视线&#xff09;&#xff0c;轮廓出来后这些导览线就会被擦除。 我画了一个…
阅读更多...
【Linux】重定向，dup

【Linux】重定向，dup

目录 文件描述符分配规则 重定向 dup ​编辑 输出重定向 追加重定向 输入重定向。 重定向会影响后面的程序替换吗&#xff1f; 1号文件和2号文件 2号文件输出重定向 下标之间的重定向 文件描述符分配规则 重定向 把显示器文件关闭后&#xff0c;本来应该写给显示器…
阅读更多...
大语言模型---梯度的简单介绍；梯度的定义；梯度计算的方法

大语言模型---梯度的简单介绍；梯度的定义；梯度计算的方法

1. 梯度介绍 如果我们在一座山上&#xff08;一个山的坡度有很多&#xff0c;陡峭的&#xff0c;平缓的&#xff09;&#xff0c;想要从山顶下山。而梯度就像告诉我们如何沿着最陡的下坡路线走&#xff0c;以尽快到达山脚&#xff08;最低点&#xff09;。 2. 梯度的定义 梯度…
阅读更多...
【JAVA】一次操蛋的nginx镜像之旅

【JAVA】一次操蛋的nginx镜像之旅

一、前言 由于我们的项目中使用到了nginx&#xff0c;同时我们的nginx是通过docker镜像进行安装的&#xff0c;由于nginx出现了问题&#xff0c;需要重新安装。于是。。。 二、通过docker进行安装 docker pull nginx:latest 1.5.2 脚本文件 在/home/docker/script路径下创…
阅读更多...
ubuntu24挂载硬盘记录

ubuntu24挂载硬盘记录

1、显示硬盘及所属分区情况。在终端窗口中输入如下命令&#xff1a; sudo fdisk -l 找到自己硬盘的分区 我的地址/dev/sda 2、显示硬盘及所属分区情况。在终端窗口中输入如下命令&#xff0c;格式化自己硬盘&#xff1a; sudo mkfs -t ext4 /dev/sda 3、在终端窗口中输入如下…
阅读更多...
业务架构、数据架构、应用架构和技术架构

业务架构、数据架构、应用架构和技术架构

TOGAF(The Open Group Architecture Framework)是一个广泛应用的企业架构框架&#xff0c;旨在帮助组织高效地进行架构设计和管理。 TOGAF 的核心就是由我们熟知的四大架构领域组成:业务架构、数据架构、应用架构和技术架构。 企业数字化架构设计中的最常见要素是4A 架构。 4…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023